【视觉多模态】- 3D建模尝试 III（室内静态多视角，建模成功）
- 背景
- 新数据新尝试【静态多视角静态室内】
- 室内3D重建
背景
3D建模一直没成功，试过很多回，静态多视角动态广场、动态多视角静态房间，试过多回，修改参数尝试，都建模失败，基本败在稀疏点云构建环节，所给的图要找出2张特征能匹配对应上的都难，并因此失败。
因此，猜测：
- 静态多视角动态广场的失败，猜测主要是图与图之间有很多人在动导致特征在变化，进行了黑色遮罩后每张图留下的特征太少，也很难匹配上，试过用于建模的图像张数：6、10、50、100、200，均建模失败，于是放弃用这个数据集进行3D建模；
- 动态多视角静态房间的失败，猜测是视角间重叠度太低、焦点差异显著，而且可用的图很有限，导致图之间特征匹配失败，而稀疏点云建立失败，于是放弃用这个数据集进行3D建模；
新数据新尝试【静态多视角静态室内】
- Panoptic Studio（最佳选择）
配置：120 路同步摄像头（54 个 RGB+66 个深度），环形分布，360° 覆盖
重叠率：相邻摄像头重叠 > 80%，任意两帧间重叠 > 90%（静态设计 + 同步采集）
适用场景：室内动态 / 静态场景、人体 3D 重建、多视角融合
获取方式：https://panoptic.stanford.edu/（需申请）
Panoptic Studio：多路静态相机 + 极高重叠 + 同步采集，适合验证多路摄像头重建方案；
斯坦福大学的数据集看起来非常贴合，但需要申请，想想算了。 - Replay Dataset（全称：Replay: A Dataset of Synchronized Multi-View Videos for Social Interaction Analysis），由 Meta（原 Facebook）人工智能研究院（FAIR）发布。
官方主页链接：https://replay-dataset.github.io/
数据链接：
{
“full”: {
“metadata”: [
“https://dl.fbaipublicfiles.com/replay/v0/metadata.zip”
],
“videos”: [
“https://dl.fbaipublicfiles.com/replay/v0/videos_SC-1001-1007.zip”,
“https://dl.fbaipublicfiles.com/replay/v0/videos_SC-1008-1018.zip”,
“https://dl.fbaipublicfiles.com/replay/v0/videos_SC-1019-1028.zip”,
“https://dl.fbaipublicfiles.com/replay/v0/videos_SC-1032-1044.zip”,
“https://dl.fbaipublicfiles.com/replay/v0/videos_SC-1045-1052.zip”,
“https://dl.fbaipublicfiles.com/replay/v0/videos_SC-1053-1071.zip”,
“https://dl.fbaipublicfiles.com/replay/v0/videos_SC-1073-1079.zip”,
“https://dl.fbaipublicfiles.com/replay/v0/videos_SC-1081-1091.zip”,
“https://dl.fbaipublicfiles.com/replay/v0/videos_SC-1092-1104.zip”,
“https://dl.fbaipublicfiles.com/replay/v0/videos_SC-1105-1109.zip”
],
“masks”: [
“https://dl.fbaipublicfiles.com/replay/v0/mask_videos_SC-1001-1109.zip”
],
“audio”: [
“https://dl.fbaipublicfiles.com/replay/v0/audio_SC-1001-1109.zip”
]
}
}
我只下载了：https://dl.fbaipublicfiles.com/replay/v0/videos_SC-1001-1007.zip，是录像。包含现场11台不同机位的动、静态相机的2分多钟视频。
有一个围绕转动的相机（G3）中的场景前64秒机位在动，场景内的人物、物件不动。非常吻合建模需求（只要我等时间隔截取帧，就相当于静态多视角静态室内，对于3D建模非常理想，当然，当时只是猜测）
于是我进行间隔1秒的帧截取，获取64帧图像（相当于64个重叠度极高的不同视角）：
于是得到3D建模用的纯图。
室内3D重建
进行如下流程的建模过程：
# ========== 步骤1：稀疏重建（基础位姿与特征） ==========# 1. 创建COLMAP数据库colmap database_creator --database_path database.db# 2. 特征提取（GPU/CPU兼容，无GUI环境适配）exportQT_QPA_PLATFORM=offscreen xvfb-run colmap feature_extractor --database_path database.db --image_path /data1/projs/airport_human_trail/selected_masked_images --SiftExtraction.use_gpu0# 3. 特征匹配（穷尽匹配，控制匹配数提升精度）colmap exhaustive_matcher --database_path database.db --SiftMatching.use_gpu0--SiftMatching.max_num_matches4# 4. 三角化生成稀疏点云colmap point_triangulator --database_path database.db --image_path selected_masked_images --input_path colmap_sparse/0 --output_path ./colmap_sparse/triangulated# ========== 步骤2：稠密重建（生成深度图+稠密点云） ==========# 1. 图像去畸变（校正镜头畸变）colmap image_undistorter --image_path /data1/datas/videos_SC-1001-1007/extracted_frames_SC-1001_GOPRO-3 --input_path sparse/0 --output_path dense --output_type COLMAP# 2. PatchMatch立体匹配（生成深度图，几何一致性校验）colmap patch_match_stereo --workspace_path dense --workspace_format COLMAP --PatchMatchStereo.geom_consistencytrue--PatchMatchStereo.filtertrue--PatchMatchStereo.num_samples15--PatchMatchStereo.max_image_size2000--PatchMatchStereo.num_iterations5# 3. 立体融合生成稠密点云colmap stereo_fusion --workspace_path dense --workspace_format COLMAP --input_type geometric --output_path dense/fused.ply --StereoFusion.min_num_pixels=3--StereoFusion.max_reproj_error=4# ========== 步骤3：表面重建（点云→3D网格模型） ==========colmap poisson_mesher --input_path dense/fused.ply --output_path dense/meshed-poisson.ply得到如下结果：
截止当前为止的首次成功，效果确实不好，但可以逐步尝试优化一下。
